A Robust Orientation Filter for Wearable Sensing Applications
Notice bibliographique
Résumé
Advancements in the micro-electromechanical systems technology have enabled the realization of small-size, high-performance inertial motion and magnetic field sensors that are embedded in most modern-day smart gadgets. These sensors, when coupled with the high-speed computing and communication technologies may potentially enable in-home monitoring and assessment of human health in the forthcoming age of Smart home technologies, internet-of-thing, and internet-of-everything. However, because the sensor's orientation is generally arbitrary, this may cause erroneous results of important health parameters such as gait speed and range of motion of the knee joint. Therefore, it is important that the sensor's measurements be corrected for orientation. In this work, we designed, implemented, and validated a three-stage sensor fusion algorithm. A gradient descent approach was exploited to estimate the drift in and subtract it from the cumulatively integrated gyroscope data to obtain the orientation in real time. The roll and pitch angles were obtained from the first stage, whereas the second and third stages outputs a coarse and fine estimate of yaw angle, respectively. Since the estimation was obtained primarily from the gyroscope data, the estimated orientation was least affected by the external acceleration and magnetic disturbances. The performance of the proposed algorithm was validated with a publicly available dataset, and in presence of external acceleration and magnetic disturbances. Finally, some key gait parameters were derived from the gait measurements using the proposed filter that showed high conformity to the ground-truth values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».